Tradicionalmente las mejoras en productividad se lograban mediante metodologías centradas en el capital humano. Esto es, se buscaba que las personas que participan y administran los procesos sean activos identificadores y conductores de mejoramientos, basados en datos de los procesos y diversas metodologías de mejora continua. Esto tenía la ventaja de que las personas se hacían partícipes del proceso, pero al mismo tiempo, tenían ciertas desventajas como: pérdida de continuidad por rotaciones del personal, pérdidas de personal entrenado, pérdidas de información crítica del proceso, falta de seguimiento de los impactos de las mejoras en el tiempo, sub-utilización de los sistemas de control de los procesos.

La analítica avanzada es un esfuerzo distinto, que corrige algunas de estas desventajas.

• Igualmente aprovecha la experiencia de quienes operan los procesos, y son igualmente importante su participación e involucramiento en el proceso en el proceso de mejoramiento, sólo no lo hacen dependientes de ellos
  
• Busca usar los datos de manera intensiva: esto permite desarrollar hipótesis de mejoramiento, identificar patrones y el desarrollo de algoritmos que impliquen una mejora permanente
  
• Busca soportar esas mejoras en desarrollos de software que mantengan y automaticen las mejoras en el tiempo, sin necesariamente depender del operador o las personas alrededor del proceso
  
• Propicia la utilización activa de los sistemas de control, y eventualmente genera pie para el desarrollo y aplicación de tecnologías adicionales de internet industrial(tales como Interoperabilidad, Smart Factories, Internet of Things, Internet of Services, Virtualización, Descentralización

Sin embargo, un proyecto de analítica avanzada, que permita lograr que los datos adquiridos permitan optimizar tiempos y recursos e incluso tomar decisiones de manera autónoma, requiere un ciclo de desarrollo y una metodología de principio a fin muy bien planificada.

Una metodología usual de trabajo pasa por: Entender el problema, obtener los datos, Separar los datos en conjuntos de entrenamiento / validación / prueba, Crear una arquitectura y desarrollo del modelo, Entrenar el modelo con los datos de entrenamiento, Evaluar con los datos de prueba, Ajustes e Implementación final.
Para lograrlo se trabaja en células que incluyen Expertos del negocio que saben del proceso operacional específico, Scrum Masters que velan por la correcta aplicación de las prácticas dentro del marco de trabajo scrum y así lograr la efectividad del equipo, Cientistas de datos que analizan y desarrollan algoritmos para predecir resultados y recomendar acciones, desarrolladores de software, ingenieros de datos, ingenieros de sistemas, entre otros perfiles.